PEMANFAATAN METODE FAST FOURIER TRANSFORM UNTUK
MENGANALISA KARAKTER KONSUMEN LISTRIK DI NTB
Wiku Lulus Widodo
11) Pusat Kajian Sistem Energi Nuklir Batan, Jakarta,
wikululu@batan.go.id ABSTRAKPEMANFAATAN METODE FAST FOURIER TRANSFORM UNTUK MENGANALISA KARAKTER KONSUMEN LISTRIK DI NTB. Telah dilakukan studi pemanfaatan metode FFT (fast
fourier transform) untuk menganalisa karakter konsumen listrik di NTB. Penggunaan metode FFT ini dikarenakan kemampuannya dalam menganalisa keberulangan suatu karakter sistem. Metode yang digunakan dalam studi ini adalah pengumpulan data beban sistem Mataram NTB selama 6 bulan untuk data tahun 2017 melalui koordinasi dengan pihak PLN NTB. Data beban tersebut kemudian ditransformasikan dalam mode frekuensi dengan metode FFT untuk melihat karakter keberulangan beban. Keberulangan data menunjukkan karakter konsumen listrik selama 6 bulan tersebut. Hasil analisis menunjukkan bahwa pengulangan terjadi pada beberapa area yaitu harian dengan nilai Magnitudo 3,90 dan 2,25 yang menunjukkan fluktuasi beban terjadi setiap hari yang didominasi oleh jam puncak (18.00-23.00). Pengulangan juga terjadi pada periode mingguan (7 hari) dengan magnitudo sebesar 0,61 dan 0,549 MW. Dua puncak magnitudo tersebut menunjukkan adanya karakter konsumen listrik yaitu sektor pemukiman yang mendominasi, dan sektor lainnya (komersil, publik dan industri). Pengulangan juga terjadi pada periode 14 hari, 29 hari dan 42 hari dengan nilai magnitudo sebesar masing-masing 0,56; 0,77; dan 1,14. Pengulangan tersebut lebih dimungkinkan bersifat ketidakpastian data (sub-noise) pada frekuensi rendah. Hasil FFT tersebut dapat dimanfaatkan lebih lanjut dengan analisa terkombinasi dengan data beban dalam fungsi waktu.
Kata kunci : Metode FFT, Karakter konsumen, Kelistrikan, NTB
ABSTRACT
UTILIZATION OF FAST FOURIER TRANSFORM METHOD TO ANALYZE ELECTRIC CONSUMER CHARACTERS IN NTB. A study on the use of FFT (fast fourier transform) method has been carried out to analyze the character of electricity consumers in NTB. The use of the FFT method is due to its ability to analyze the repeatability of a system character. The method used in this study is data collection for Mataram NTB system load for 6 months for 2017 data through coordination with PLN NTB. The load data is then transformed in frequency mode with the FFT method to see the character of the load repetition. Repeat data shows the electricity consumer character for the 6 months. The results of the analysis show that the repetition occurs in several areas, namely daily with the magnitude of 3.90 and 2.25 which shows that the fluctuations in load occur every day which is dominated by peak hours (18.00-23.00). Repetition also occurs on weekly (7 days) periods with magnitudes of 0.61 and 0.549 MW. The two peak magnitudes indicate the character of electricity consumers, namely the dominating residential sector, and other sectors (commercial, public and industrial). Repetition also occurs for periods of 14 days, 29 days and 42 days with a magnitude of 0.56; 0,77; and 1.14. Repetition is more likely to be data uncertainty (sub-noise) at low frequencies. The FFT results can be further utilized by analysis combined with load data in the time function.
Keywords: FFT method, consumer character, electricity, NTB
PENDAHULUAN
Tujuan penelitian ini adalah untuk menganalisa karakter konsumen listrik di NTB khususnya pada wilayah jaringan kelistrikan Mataram. Pada umumnya karakter dari suatu sistem merupakan kondisi keberulangan (repeateness) dari sistem tersebut[1][2]. Kondisi keberulangan terkadang tidak dapat diamati secara
langsung dengan menggunakan domain waktu, sehingga menganalisa keberulangan lebih efektif dilihat dengan menggunakan domain frekuensi. Metode FFT (Fast Fourier Transform) merupakan salah satu impementasi dari transformasi fourier yang mengubah data dari domain waktu ke dalam domain frekuensi[3,4].
Pemanfaatan metode FFT untuk menganalisa keberulangan beban listrik di sistem ajaringan kelistrikan Mataram menjadi sangat bermanfaat untuk memahami intensitas keberulangan yang terjadi sekaligus kejadian koinsiden yang ada. Metode FFT ini dapat melihat frekuensi keberulangan dari sistem hingga mencapai setengah dari periode pengambilan sampel (sampling period)[5,6]. Persyaratan Nyquist juga menyertai metode ini sehingga metode menganalisa juga harus mampu mendefinisikan aliasing frekuensi tinggi yang ada[7,8]. Analisa dengan metode FFT ini juga harus mampu mengidentifikasi area domain yang mengindikasikan adanya derau frekuensi rendah (low frequency noise)[9,10].
Karakter beban listrik pada umumnya selalu terjadi keberulangan meskipun kemungkinan terjadi perbedaan nilai kuantitas dari keberulangan tersebut. Keberulangan yang akan diekstrak oleh metode FFT ini adalah bentuk sinusoidal di setiap area frekuensi [11,12]. Keberulangan beban listrik tersebut dapat dipastikan merupakan gabungan beberapa sinusoidal dengan area frekuensi yang berdekatan. Keberulangan dalam beban listrik ini lebih dominan dikarenakan kebiasaan umum dari konsumen listrik baik dari sektor pemukiman, bisnis, komersil maupun publik lainnya.
Karakter konsumen listrik pada akhirnya akan membentuk karakter beban beserta durasinya. Durasi beban listrik tersebut akan menunjukkan seberapa besar porsi beban dasar, porsi beban menengah dan porsi beban puncak[13,14]. Informasi karakter beban beserta durasinya dapat digunakan dalam analisa perencanaan energi kelistrikan di suatu daerah, dalam rangka untuk menentukan jenis pembangkit yang optimal baik dalam aspek biaya maupun kestabilan[15,16]. Dengan demikian pemanfaatan metode FFT untuk menganalisa karakter konsumen listrik menjadi sangat penting dan bermanfaat untuk membantu dalam melakukan perencanaan energi kelistrikan di suatu wilayah.
Nusa Tenggara Barat (Indonesia: Nusa Tenggara Barat - NTB) adalah sebuah provinsi di Indonesia. Ini terdiri dari bagian barat Kepulauan Sunda Kecil, dengan
pengecualian Bali yang merupakan provinsi sendiri. Mataram, di Lombok, adalah ibu kota dan kota terbesar di provinsi ini. Sensus 2010 mencatat populasi penduduk berjumlah 4.496.855 jiwa, perkiraan terbaru untuk Desember 2017 adalah 4,702,389[17,18]. Total luas wilayah provinsi NTB adalah 19,708.79 km2 dimana dua pulau terbesar di provinsi ini adalah Lombok di barat dan pulau Sumbawa yang lebih besar di timur. Pulau Flores dan Sumba adalah bagian dari Nusa Tenggara Timur[19].
Secara kemampuan daya, kondisi kelistrikan NTB berstatus surplus. Lombok dengan beban puncak 145.0 (MW) memiliki kemampuan daya sebesar 160,5 (MW), Sumbawa dengan beban puncak 29,3 (MW) memiliki kemampuan daya sebesar 34,2 (MW), Bima dengan beban puncak 28,5 (MW) memiliki kemampuan daya sebesar 32,6 (MW) dan Gili Trawangan dengan beban puncak 1,3 (MW) memiliki kemampuan daya sebesar 1,64 (MW). Namun di wilayah NTB, rasio elektrifikasi sampai tahun 2016 baru 52,85 % yang berarti 48,15 % atau sebagian besar penduduknya belum menikmati listrik. Jumlah pelanggan PLN NTB saat ini tercatat sebanyak 394 ribu rumah tangga dan industri[20].
Pembahasan dalam studi ini meliputi latar belakang dan tujuan studi, teori tentang metode FFT, metodologi untuk memperoleh hasil beserta analisanya, dan pembahasan terhadap hasil perhitungan metode FFT yang dilanjutkan dengan kesimpulan dan saran. DASAR TEORI
Transformasi Fourier cepat (Bahasa Inggris: Fast Fourier Transform, biasa disingkat FFT) adalah suatu algoritme untuk menghitung transformasi Fourier diskrit (Bahasa Inggris: Discrete Fourier Transform, DFT) dengan cepat dan efisien[21]. Transformasi Fourier Cepat diterapkan dalam beragam bidang, mulai dari pengolahan sinyal digital, memecahkan persamaan diferensial parsial, dan untuk algoritme untuk mengalikan bilangan bulat besar. Misalkan ''x0, ...., xN-1 merupakan bilangan kompleks. Transformasi Fourier Diskret didefinisikan oleh rumus:
Menghitung deret ini secara langsung memerlukan operasi aritmetika sebanyak O(N2). Sebuah algoritme FFT hanya memerlukan operasi sebanyak O(N log N) untuk menghitung deret yang sama. Secara umum algoritme tersebut tergantung pada pemfaktoran N. Setiap algoritme FFT, dengan penyesuaian, dapat diterapkan pula untuk menghitung DFT invers. Ini karena DFT invers adalah sama dengan DFT, namun dengan tanda eksponen berlawanan dan dikalikan dengan faktor 1/N. Algoritme FFT yang paling awal dan karena itu paling populer adalah algoritme Cooley-Tukey Faktor beban
Faktor beban adalah perbandingan antara besarnya beban rata-rata untuk selang waktu tertentu terhadap beban puncak tertinggi dalam selang waktu yang sama (misalnya satu hari atau satu bulan)[22]. Sedangkan beban rata-rata untuk suatu selang waktu tertentu adalah jumlah produksi kWh dalam selang waktu tersebut dibagi dengan jumlah jam dari selang waktu tersebut.
faktor beban = beban rata-rata/beban puncak
bagi penyedia listrik, faktor beban sistem diinginkan setinggi mungkin karena faktor beban yang makin tinggi berarti makin rata beban sistemnya, sehingga tingkay pemanfaatan alat-alat yang ada dalam sistem tersebut dapat diusahakan setinggi mungkin. LDC
Kurva durasi beban menggambarkan variasi dari beban tertentu dalam bentuk ke bawah sehingga beban terbesar diplot di sebelah kiri dan yang terkecil di sebelah kanan. Pada sumbu waktu, durasi waktu untuk setiap beban tertentu berlanjut selama hari diberikan[23]. Ada beberapa fakta tentang LDC yang dapat diringkas sebagai:
1. LDC adalah pengaturan dari semua tingkat beban dalam urutan besaran menurun.
2. area di bawah LDC mewakili energi yang diminta oleh sistem
(dikonsumsi).
3. dapat digunakan dalam pengiriman ekonomi, perencanaan sistem dan evaluasi keandalan.
4. Lebih mudah untuk menganalisa daripada menggunakan kurva beban saja.
Sebuah kurva durasi beban (LDC) digunakan dalam pembangkit tenaga listrik untuk menggambarkan hubungan antara kebutuhan kapasitas pembangkit dan pemanfaatan kapasitas[24]. LDC mirip dengan kurva beban tetapi data permintaan diurutkan dalam urutan besaran menurun, bukan secara kronologis. Kurva LDC menunjukkan persyaratan penggunaan kapasitas untuk setiap kenaikan beban. Tinggi setiap irisan adalah ukuran kapasitas, dan lebar setiap irisan adalah ukuran tingkat pemanfaatan atau faktor kapasitas. Produk dari keduanya adalah ukuran energi listrik (misalnya kilowatthours). Kurva durasi harga menunjukkan proporsi waktu yang harganya melebihi nilai tertentu.
Gambar 1. Kurva Durasi Beban METODOLOGI
Metodologi yang digunakan dalam analisa konsumen listrik untuk kelayakan PLTN di NTB diawali dengan melakukan koordinasi dengan pihak PLN cabang NTB khususnya sistem jaringan Mataram. Koordinasi tersebut bertujuan untuk mendapatkan data kurva beban selama minimal 6 bulan. Tahapan metodologi untuk analisa ini ditunjukkan pada gambar 2. Metode FFT yang digunakan untuk mengubah data dengan domain waktu menjadi domain frekuensi menggunakan bantuan microsoft excell. Pembuatan grafik mode frekuensi dilakukan agar memperoleh tampilan yang informatif yaitu dengan cara sumbu absis (X) bersatuan periode waktu berbentuk logaritmis. Analisa dilakukan
terhadap grafik hasil transformasi dengan membuat area analisis yaitu area puncak keberulangan, area koinsiden, area aliasing frekuensi tinggi, dan area derau frekuensi rendah. Hasil analisis untuk setiap area tersebut kemudian dikomparasikan dengan data beban listrik dalam domain waktu untuk menunjukkan bahwa hasil analisa memiliki bukti berdasarkan data riil.
Gambar 2. Metodologi untuk menganalisa karakter konsumen listrik dengan metode
FFT HASIL DAN PEMBAHASAN
Data beban harian untuk setiap 30 menit (setengah jam) yang diperoleh dari laporan tahunan PT PLN sistem kelistrikan Mataram NTB ditunjukkan pada gambar 3. Berdasarkan gambar tersebut secara statistik beban berfluktuatif antara 20 MW hingga 65 MW. Terjadi beberapa kondisi dimana beban bernilai nol yang menunjukkan adanya blackout pada sistem tersebut. Beban dalam domain waktu tersebut akan ditransformasi ke dalam domain frekuensi dengan menggunakan metode FFT. Data yang dikonversi tidak seluruhnya karena tranformasi dengan metode FFT hanya bisa dilakukan untuk jumlah data yang mengikuti rumus 2^n.
Gambar 3. Data beban harian sistem kelistrikan Mataram NTB dengan periode 30
menit
Hasil transformasi data dengan menggunakan metode FFT ditunjukkan pada gambar 4. Grafik hasil transformasi dalam bentuk domain frekuensi tersebut menunjukkan bahwa terjadi pengulangan dengan amplitudo sangat besar yaitu pada periode 1 hari. Aplitudo para periode 1 hari tersebut sebesar 3,9 yang menunjukkan pengulangan untuk nilai beban listrik yang tinggi atau pengulangan tersebut merupakan gabungan beberapa pengulangan untuk nilai beban campuran antara rendah maupun tinggi. Pengulangan juga terjadi pada periode sekitar 7 hari dan 14 hari dengan amplitudo masing-masing sebesar 0,61 dan 0,78. Hal tersebut menunjukkan bahwa adanya kemungkinan pengulangan setiap pekanan untuk setiap jenis hari seperti misalnya untuk hari senin (hari kerja) ataupun untuk hari ahad (hari libur).
Gambar 4. Grafik hasil transformasi data dengan menggunakan metode FFT
Beberapa puncak pengulangan terjadi pada periode yang lebih rendah dari 1 hari hal ini bukan pengulangan riil dari karakter konsumen listrik, akan tetapi sebagai bentuk aliasing pada frekuensi tinggi. Hal ini dikarenakan metode FFT akan membaca
Pengubahan domain dengan FFT
Pembuatan grafik hasil FFT dengan domain frekuensi
Analisa grafik domain frekuensi
Pembahasan & komparasi dengan domain waktu
Kesimpulan dan saran Data beban harian & perjam
bahwa pengulangan yang bersifat koinsiden akan selalu muncul pada kelipatan dari frekuensi yang memiliki pengulangan riil. Dengan demikian dapat dilihat bahwa puncak-puncak pengulangan di bawah periode 1 hari merupakan aliasing dari puncak dengan periode 1 hari.
Nilai amplitudo yang cukup besar pada frekuensi rendah (periode di atas 30 hari) diasumsikan sebagai derau karena metode FFT akan mentranformasikan data riil dalam domain waktu akan selalu memiliki kontribusi sinyal frekuensi rendah. Dengan demikian maka data di atas periode 30 hari dianggap derau dan tidak digunakan dalam menganalisis karakter konsumen listrik di NTB.
Puncak-puncak dengan amplitudo rendah untuk area diantara periode 1 hari dengan 7 hari diasumsikan sebagai kejadian koinsiden (kebetulan) yang menunjukkan bahwa terkadang dalam 2 hari atau lebih terdapat beban listrik dengan nilai yang sama untuk jam yang sama. Hal yang sama juga terjadi pada puncak-puncak dengan amplitudo untuk area di antara periode 7 hari dengan 14 hari yang diasumsikan sebagai kejadian koinsiden. Beberapa koinsiden tersebut akan dibahas dengan menggunakan grafik dalam domain waktu.
Kurva durasi beban sistem kelistrikan Mataram NTB ditunjukkan pada gambar 5. Beban Jaringan mataram didominasi oleh tiga pembangkit PLTD yaitu PLTD Ampenan, PLTD Taman, PLTD Paok Motong. Beban Kurva tahunan (januari sampai juni 2017) menunjukkan bahwa rata rata beban sebesar 39,91 MW dengan beban puncak tertinggi sebesar 66,42 MW. Mayoritas beban daya berkisar antar 30 hingga 60 MW. Berdasarkan kurva beban tahunan tersebut jaringan listrik mataram memiliki faktor daya sebesar 0,601 hal ini menunjukkan bahwa sistem kelistrikan di Mataram belum terlalu stabil.
Nilai faktor beban yang relatif rendah menunjukkan bahwa sektor pemukiman sangat mendominasi sedangkan sektor industri dan komersil masih relatif kecil dibandingkan dengan sektor pemukiman. Berdasarkan bentuk kurva durasi beban diperoleh informasi bahwa beban dasar dari jaringan listrik mataram sekitar 30 MW. Beban pertengahan antara 30 MW hingga 45
MW sedangkan beban puncak dari 45 MW hingga 67 MW. Faktor beban sebesar 0,601 menjadikan sistem pembangkit yang paling efektif adalah PLTD meskipun harga bahan bakar minyak relatif mahal. Hal ini dikarenakan PLTD yang mampu melalukan menangani perubahan beban listrik dalam waktu relatif cepat.
Gambar 5. Kurva durasi beban sistem kelistrikan Mataram NTB
Pola beban harian untuk selama sepekan ditunjukkan pada gambar 6. Pola grafik tersebut menunjukkan adanya motif keberulangan setiap hari yang sangat didominsi oleh beban puncak. Hal inilah yang mengakibatkan amplitudo pada grafik hasil transformasi FFT untuk periode 1 hari menjadi cukup tinggi. Grafik tersebut menunjukkan bahwa kebutuhan listrik pada sistem mataram didominasi oleh sektor pemukiman, karena beban puncak pada pukul 18.00 hingga pukul 23.00 mendominasi amplitudonya.
Gambar 6. Grafik beban listrik harian selama sepekan
Pengulangan pekanan untuk contoh hari senin ditunjukkan pada gambar 7. Gambar tersebut menunjukkan bahwa terdapat keberulangan yang bersifat pekanana, meskipun terdapat deviasi data untuk setiap beban perjamnya. Deviasi dapat
diakibatkan adanya pertumbuhan beban atau akumulasi perubahan yang tidak rutin pada konsumen listrik. Deviasi tersebut pada umumnya digunakan untuk membuat proyeksi beban untuk tipe hari yang sama, seperti misalnya seluruh data untuk hari senin dalam rentang waktu beberapa bulan atau bahkan tahun akan digunakan untuk memproyeksikan beban pada hari senin untuk masa mendatang dengan nilai ketidakpastian (toleransi) yang telah disepakati.
Gambar 7. Keberulangan pekanan untuk hari senin selama bulan januari 2017 KESIMPULAN
Pengulangan terjadi pada beberapa area yaitu harian dengan nilai Magnitudo 3,90 yang menunjukkan fluktuasi beban terjadi setiap hari yang didominasi oleh jam puncak (18.00-23.00). Pengulangan juga terjadi pada periode mingguan (7 hari) dengan magnitudo sebesar 0,61. Dua puncak magnitudo tersebut menunjukkan adanya karakter konsumen listrik yaitu sektor pemukiman yang mendominasi, dan sektor lainnya (komersil, publik dan industri). Pengulangan juga terjadi pada periode 14 hari dan 29 hari dengan nilai magnitudo sebesar masing-masing 0,56 dan 0,77. Pengulangan tersebut lebih dimungkinkan bersifat ketidakpastian data (sub-noise) pada frekuensi rendah. Hasil FFT tersebut dapat dimanfaatkan lebih lanjut dengan analisa terkombinasi dengan data beban dalam fungsi waktu.
Konsumen listrik di NTB didominasi oleh sektor pemukiman yang dapat dilihat dari beban puncak yang berapa di waktu sore jam 18.00 hingga 23.00. Sektor komersil, industri dan publik memberikan kontribusi pada waktu jam kerja kecuali hari minggu yang menunjukkan bahwa aktivitas konsumen tidak terlalu banyak mengkonsumsi listrik. Karakter hari kerja
secara rata-rata mengakibatkan beban listrik lebih tinggi jika dibandingkan hari sabtu dan ahad. Hari sabtu memiliki beban rata-rata lebih tinggi jika dibandingkan hari minggu karena adanya aktivitas di sektor komersil dan publik pada jam kerja (08.00-18.00). TERIMA KASIH
Terima kasih kepada Dr Suparman sebagai Kepala pusat Kajian Infrastruktur yang telah mendukung studi analisa beban karakter sistem mahakam melalui anggaran kegiatan penyusunan buku INEO 2018.
DAFTAR PUSTAKA
1. Liu Zhong, Li Lichun, Li Huiqi,"International Congress of Information and Communication Technology (ICICT 2017) Application Research on Sparse Fast Fourier Transform Algorithm in White Gaussian Noise", Procedia Computer Science no.107 pp.802 – 807, (2017)
2. Yicong Zhou, Weijia Cao, Licheng Liu, Sos Agaian, C.L. Philip Chen,"Fast Fourier transform using matrix decomposition", Information Sciences no.291 pp.172–183, 2015 3. Inga Morkvenaite-Vilkoncienea,
Aušra Valiunieneb, Jurate Petronieneb,Arunas
Ramanavicius,"Hybrid system based on fast Fourier transform electrochemical impedance spectroscopy combined with scanning electrochemical microscopy", Electrochemistry Communications no.83 pp.110–112, 2017
4. Chaosan YANGa, Rongke LIU, Ruifeng DUAN," Modified fast Fourier transform in FBMC for satellite communications", Chinese Journal of Aeronautics, no.30(4) pp.1519–1527, 2017
5. Ronny Bergmann,"The fast Fourier transform and fast wavelet transform for patterns on the torus", Application Computing Harmony Analysis no.35 pp.39–51, 2013 6. M.I. Epov, E.P. Shurina, E.P.
Shtabel, N.V. Shtabel,"Three-dimensional modeling of pulsed
soundings using a fast Fourier transform", Russian Geology and Geophysics no.57 pp.329–336, 2016 7. Siyan Wang, Xun Sun, Upmanu
Lall,"A hierarchical Bayesian regression model for predicting summer residential electricity demand across the U.S.A.", Energy no.140 pp.601-611, 2017
8. Yoosoon Changa, Chang Sik Kimb, J. Isaac Millerc, Joon Y. Parka, Sungkeun Park,"A new approach to modeling the effects of temperature fluctuations on monthly electricity demand", Energy Economics no.60 pp.206–216, 2016
9. Nina Boogen, Souvik Datta, Massimo Filippini,"Dynamic models of residential electricity demand: Evidence from Switzerland", Energy Strategy Reviews no.18 pp.85-92, 2017
10. Sanguk Kwon, Seong-Hoon Cho, Roland K. Roberts, Hyun Jae Kim, Kihyun Park, T. Edward Yu," Effects of electricity-price policy on electricity demand and manufacturing output*", Energy no.102 pp.324-334, 2016
11. Paul J. Burke, Sandra Kurniawati,"Electricity subsidy reform in Indonesia: Demand-side effects on electricity use", Energy Policy no.116 pp.410–421, 2018 12. Lawrence L. Kuonski, "Estimation of
electricity demand function for Algeria: Revisit of time series analysis", Renewable and Sustainable Energy Reviews no.82 pp.4221–4234, 2018
13. Ergun Yukseltan, Ahmet Yucekaya, Ayse Humeyra Bilge,"Forecasting electricity demand for Turkey: Modeling periodic variations and demand segregation", Applied Energy no.193 pp.287–296, 2017 14. Cristina Pe~nasco, Pablo del Río,
Desiderio Romero-Jord,"Gas and electricity demand in Spanish manufacturing industries: An analysis using homogeneous and heterogeneous estimators", Utilities Policy no.45 pp.45e60, 2017
15. Massimo Filippinia, Bettina Hirla, Giuliano Masiero,"Habits and rational behaviour in residential electricitydemand", Resource and Energy Economics no.52 pp.137– 152, 2018
16. Frits Møller Andersena, Mattia Baldinia, Lars Gårn Hansenb, Carsten Lynge Jensenb,"Households’ hourly electricity consumption and peak demand in Denmark", Applied Energy no.208 pp.607–619, 2017 17. BPS,”Statistik Indonesia 2017,”
Badan Pusat Statistik, Jakarta, 2017. 18. BPS NTB,”Statistik Kependudukan
Wilayah NTB 2017,” Badan Pusat Statistik NTB, Mataram, 2017. 19. BPS NTB,”Kondisi Kewilayahan
NTB”, Badan Pusat Statistik NTB, Mataram, 2017.
20. PT PLN,” RUPTL tahun 2017-2026”, PT PLN, Jakarta, 2017 21. Limin Dua, Jin Guob, Chu
Weic,"Impact of information feedback on residential electricity demand in China", Resources, Conservation & Recycling no.125 pp.324–334, 2017
22. Tarek N. Atalla, Lester C. Hunt,"Modelling residential electricity demand in the GCC countries", Energy Economics no.59 pp.149–158, 2016
23. Hyojoo Son, Changwan Kim,"Short-term forecasting of electricity demand for the residential sectorusing weather and social variables", Resources, Conservation and Recycling no.123 pp.200–207, 2017
24. Muhammad Arshad Khan, Faisal Abbas," The dynamics of electricity demand in Pakistan: A panel cointegration analysis, Renewable and Sustainable Energy Reviews no.65 pp.1159–1178, 2016
Pertanyaan :
1. Apakah metode FFT dapat digunakan untuk menganalisa karakter konsumen pengguna energi di suatu daerah?
2. Apakah ada pengguna/konsumen listrik selain sektor pemukiman, industri, bisnis & komersil, dan publik?
3. Bagaimana cara memperkirakan kebutuhan beban listrik di masa mendatang, Jika kita sudah mengetahui karakter konsumen? Jawaban :
1. Dapat digunakan, selama data riil dalam rentang waktu tertentu hingga orde tahunan telah tersedia.
2. Pada umumnya PLN atau pihak utilitas listrik mengelompokkan konsumen listrik hanya dalam 4 sektor saja.
3. Proyeksi beban harian dapat dibuat dengan beberapa metode, salah satunya dengan membuat rentang batas atas-bawah berdasarkan standar deviasi dari beban riil yang ada.
